Documente Academic
Documente Profesional
Documente Cultură
2021-2023
2 Bibliografie
1. Montgomery D.C., Jennings C. L. & Kulahici M., Introduction to Time series Analysis
and Forecasting. John Wiley &Sons, 2008
2. Ben Vogelvang, Econometrics. Theory and Applications with Eviews, Pearson
Educational Limited, 2005
3. Guy Melard, Methodes de Prevision a court Term, Ed. Universitee de Bruxelles, 1990
4. Diebold X. F., Elements of forecasting,2nd edition, Ed. South- Western, Cincinati,
2001
5. Turturean Ciprian-Ionel, Introducere in analiza seriilor de timp cu SPSS-Ghid
aplicativ, Ed. Universitatii “Al. I. Cuza” Iasi, 2008
6. Turturean Ciprian-Ionel, Analiza seriilor de timp, Ed. Sedcom Libris, Iasi, 2006
C01-C02
3 Structura C01-C02-> ANALIZA SERIILOR DE TIMP
C01-C02: Noțiuni, concepte definiții elementare în analiza seriilor de timp
C03-C06: Modelarea, ajustarea și prognoza seriilor de timp formate din trend determinist și
componentă aleatoare. Identificare si testarea punctelor de ruptura si modelarea acestora
cu ajutorul modelelor cu variabile dummy. Valori atipice/ Outlieri pentru seriile de timp.
Metode de ajustare exponentiala
C07-C09: Modelarea, ajustarea și prognoza seriilor de timp formate din trend determinist,
componentă sezonieră și componentă aleatoare. Metode de ajustare exponentiala.
Identificarea, testarea si imputarea valorilor lipsa si a punctelor de extrem in seriile de timp.
EVP: din materia cursurilor C01-C09-> 20% din NF
C10-C11: Modelarea și prognoza seriilor de timp nestaționare în medie (omogene) fără
componentă sezonieră. Modelele AR, MA, ARMA
C12-13: Procese stohastice omogene cu trend stohastic – procese cu radacina unitate.
Modelarea și prognoza seriilor de timp cu trend stohastic. Modelele: ARIMA
C14: Procese stohastice omogene cu trend si sezonalitate stohastica: SARIMA
PROIECT: activitate de semniar desfasurata pe echipe de cate 3 studenti->40% din NF
EXAMEN FINAL din materia cursurilor C10-C14-> 40% din NF
C01-C02
TEMATICA C01-C02:
4 Notiuni, concepte si definitii elementare în analiza seriilor de timp
Definitia Seriilor de timp
Prezentarea generala a unei serii de timp cu componentă deterministă,
componentă stohastică, componentă aleatoare
Componentele unei serii de timp: componenta ciclu, componenta
sezonieră, componenta trend si componenta aleatoare
Ipoteze cu privire la componenta aleatoare
Seriile de timp realizări ale proceselor stohastice. Tipuri de stationaritate
in procesele stohastice – generalități
Transformarea Box-Cox
C01-C02
5 Definiția seriilor de timp
C01-C02
Prezentarea generala a unei serii de timp cu componentă
6 deterministă, componentă stohastică, componentă
aleatoare
Notam cu yt, valoarea variabilei Y la momentul t, cu t=1,T.
yt=f(t)+εt
pentru o serie care prezinta doar un trend determinist si componenta aleatoare
sau in forma sa cea mai complexa
yt=f(xi,t-h, yt-h, εt, t), cu t=1,T si h=0,T-1, i=1,k
pentru o serie care prezinta atat trend determinist cat si trend stohastic
Unde: t- reprezinta perioada de timp pentru care a fost facuta inregistrarea
h- reprezinta intarzierea, denumita lag
i – reprezinta un numar de ordine care face distinctie intre regresorii
modelului
T – reprezinta numarul maxim de perioade pentru care detinem inregistrari
ale pentru variabilele modelului.
C01-C02
7
STOP->S_01
C01-C02
Componentele unei serii de timp: componenta ciclu,
8 componenta sezonieră, componenta trend si
componenta aleatoare
O serie de timp poate fi compusa din patru componente distincte.
In functie de modul lor de manifestare si de proprietatile lor
acestea se impart in:
- Componenta ciclu (Ct)
- Componenta trend (Tt)
- Componenta sezoniera (St)
- Componenta aleatoare (At)
OBS: Componenta aleatoare (At) este frecvent identificata cu
eroarea de modelare (εt) ceea ce din punct de vedere logic nu
este intotdeauna corect!
C01-C02
9 Componenta ciclu (Ct)
Componenta ciclu, dupa cum reiese si din denumire, este o componenta
care se manifesta ciclic in timp, insa, fata de componenta sezoniera, se
intinde pe durate de timp foarte lungi incepand de la 4 ani in cazul ciclului
electoral pana la zeci sau chiar sute de ani.
Analiza componentei ciclice necesita instrumente si metode speciale de
analiza si modelare care nu fac obiectul prezentului curs.
Datorita faptului ca cele mai multe dintre analize se fac pe seturi de date
care rareori depasesc 20 ani, componenta ciclu neavand timp sa parcurga
chiar si un singur ciclu, cei mai multi autori trateaza componenta trend si
componenta ciclu impreuna, ele fiind cunoscute sub denumirea de
componenta trend-ciclu sau componenta extra-sezonieră.
Pentru estimarea parametrilor care caracterizeaza un ciclu este necesar ca
acesta sa parcurga cel putin 3-4 cicluri pentru a putea estima parametrii!!!
Prin urmare pentru cel mai mic ciclu, cel electoral, ar fi nevoie de date
C01-C02 inregistrate pe cel putin o perioada de 12-14 ani!!!
10
Despre ciclul economic
(Disertaţie cu ocazia decernării titlului de Doctor Honoris Causa al Universităţii Politehnice Bucureşti, M. Isarescu, 18 octombrie 2013,
http://www.bnr.ro/apage.aspx?pid=1332)
Definitie
Ciclului economic reprezinta fluctuaţiile la nivelul activităţii
economice de ansamblu, care se produc în mod recurent pe
parcursul mai multor luni sau ani
În pofida denumirii, ciclul economic are un grad relativ scăzut de
predictibilitate în ceea ce priveşte frecvenţa şi magnitudinea
Evoluţia ciclică este o caracteristică inerentă economiei de piaţă
C01-C02
11 Tipologia ciclurilor economice
(Disertaţie cu ocazia decernării titlului de Doctor Honoris Causa al Universităţii Politehnice Bucureşti, 18 octombrie 2013,
http://www.bnr.ro/apage.aspx?pid=1332)
C01-C02
13 Componenta trend (Tt)
20
40
60
80
0
14
Jan-80
Mar-80
May-80
Jul-80
Sep-80
Nov-80
Jan-81
Mar-81
May-81
Jul-81
Sep-81
Nov-81
Jan-82
Mar-82
May-82
Jul-82
Sep-82
Nov-82
Jan-83
Mar-83
May-83
Jul-83
Sep-83
Nov-83
100
120
20
40
60
80
Jan-80
Mar-80
May-80
Jul-80
Exemple de componente trend (Tt)
Sep-80
Nov-80
Jan-81
Mar-81
May-81
Jul-81
Sep-81
Nov-81
Jan-82
Mar-82
May-82
Jul-82
Sep-82
Nov-82
Jan-83
Mar-83
May-83
Jul-83
Sep-83
Nov-83
15
C01-C02
16 Componenta sezoniera (St)
C01-C02
17 Factori determinanti manifestarii sezonalitatii
C01-C02
19 Componenta aleatoare (At)
C01-C02
20 Ipoteze cu privire la componenta aleatoare - formulari
C01-C02
21 Exemple de componente aleatoare (At)
+ *
C01-C02
22 Analiza pe termen scurt vs. Analiza pe termen lung
Pe termen scurt nu se poate manifesta componenta trend determinist si prin urmare este de
preferat sa se utilizeze modelare cu trend stochastic!!!!
320 80
310
300
290
280
270 y = 0.08417x - 2,460.45117 70
y = 0.058x - 1690.4
260 R² = 0.37098
250 R² = 0.1788
240 60
230
220
210
200 50
190
180
170
160 40
150
140
130
120 30
110
100
90
80 20
70
60
50
40 10
30
20
10
0 0
Nov-80
Jan-80
Jan-81
May-80
May-81
Sep-80
Mar-80
Jul-80
Mar-81
Jan-80
Nov-80
Jan-81
Nov-81
Jan-82
Nov-82
Jan-83
May-83
Nov-83
May-80
May-81
May-82
Sep-80
Sep-81
Sep-82
Sep-83
Mar-83
Mar-80
Jul-80
Mar-81
Jul-81
Mar-82
Jul-82
C01-C02 Jul-83
NOTA!
23
C01-C02
Seriile de timp realizări ale proceselor stohastic. Tipuri de
24
stationaritate in procesele stohastice – generalități
C01-C02
25 Proces stohastic – definiție
C01-C02
26 Ipoteza de ergodicitate in analiza seriilor de timp
C01-C02
27
C01-C02
28 Tipuri de procese stohastice stationare
Proces strict stationar
Spunem despre un proces sohastic{ X t }t =1,T ca este strict stationar daca
variabilele aleatoare care il compun sunt identic distribuite si realizarile
procesului stohastic pentru un decalaj de timp k=1, T-1 sunt caracterizate
de aceeași functie de probabilitate.
Proces stohastic stationar in sens larg
Spunem despre un proces sohastic { X t }t =1,T ca este stationar in sens larg,
sau stationar in covarianta, daca indeplineste urmatoarele conditii:
1. E(Xt)=μt= μ – ct.
2. V(Xt)=σt2= σ2- ct. si finita
3. Cov(Xt, Xt+k)= (k) – ct. in raport cu t (k)= (k)/(0)=Cov(Xt, Xt+k)/Cov(Xt, Xt)
C01-C02
29 Proces stohastic stationar pur
Aceste procese mai sunt denumite si procese de tip zgomot alb:
Spunem despre un proces sohastic { X t }t =1,T ca este proces stohastic de tip
zgomot alb, daca indeplineste urmatoarele conditii:
1.E(Xt)=μt= μ – ct.
2.V(Xt)=σt2= σ2- ct. si finita
3.Cov(Xt, Xt+k)= = 0 – ct. in raport cu t
O varianta particulara a proceselor de tip zgomot alb sunt procesele
stohastice pure de medie zero:
1.E(Xt)=μt= μ = 0 – ct.
2.V(Xt)=σt2= σ2- ct. si finita
3.Cov(Xt, Xt+k)= 0 – ct. in raport cu t
C01-C02
30 Serii nestationare – tipologie, tratamente
Procese nestationare in medie
Acest proces mai poarta denumirea de proces nestationar homoscedastic
(omogen):
1.E(Xt)=μt– variaza in timp
2.V(Xt)=σt2= σ2- ct. si finita
3.Cov(Xt, Xt+k)= (k) – ct. in raport cu t
Procesele nestationare in medie sunt procese generatoare de trend stohastic.
Inlaturarea nestationaritatii in medie si prin aceasta a trendului stohastic se face cu
ajutorul diferentelor de ordin d.
C01-C02
31
C01-C02
32
C01-C02
33
x λ −1
, #0
x( ) = λ
log x, = 0
De-a lungul timpului aceasta transformare a cunoscut transformari.
C01-C02
ANALIZA SERIILOR DE TIMP
Curs Statistica și Previziune Economică anul III
Curs 03-04
2022-2023
Tematica Cursurilor C03-C05 ANALIZA SERIILOR DE TIMP
2
C01-C02: Noțiuni, concepte definiții elementare în analiza seriilor de timp
C03-C05: Modelarea, ajustarea și prognoza seriilor de timp formate din trend determinist și
componentă aleatoare
Modelarea trendului determinist (TD) (C03)
Estimarea si testarea parametrilor trendului determinist
Indicatori ai acuratetii unui model
Ruptura de trend (C04)
Teste specifice indetificarii rupturilor de trend
Modelarea trendului determinist cu ruptura de trend: modelarea individuala, modelarea agregata
cu variabile dummy
Valori atipice pentru serii de timp (C05)
Identificarea valorilor atipice intr-o serie de timp
Modelarea seriilor cu valori atipice: inlaturarea/inlocuirea valorilor atipice intr-o serie de timp,
modelarea seriei cu valori atipice cu ajutorul variabilelor dummy
Ajustarea exponentiala unei serii de timp cu trend determinist, ajustarea exponentiala
(C06)
EVP: din materia cursurilor C01-C08-> 20% din NF
PROIECT: activitate de semniar desfasurata pe echipe de cate 3 studenti->40% din NF
3 Modelarea trendului determinist (TD) (C02)
Trendul determinist poate fi ”ajustat” printr-o funcție de timp și este
perfect predictibil.
Model liniar: Yt=β0+β1t+εt , t=1,....T
Model pătratic: Yt=β0+β1t+β2t2+εt , t=1,....T
β 1t + ε t
Model Exponential: Yt = β 0 e , t=1,...T; β0 >0
1
Model logistic (varianta):Yt = , t=1,....T și u este limita superioara a
1
+ β 0β1
t
functiei , β0 si β1 >0
u
4 Estimarea si testarea parametrilor unui trend determinist liniar
5 Metoda celor mai mici patrate pentru trend linear determinist
Δb 0 y t t − t ty t
2
b 0 = =
Δ T t 2 − ( t )
2
S T T T
= 2 (y t − b 0 − b1t )(− 1) = 0 Tb 0 + b1 t = y t
b 0 t =1 t =1 t =1
sau b 0 = y − b1 t
S T n n n
= 2 (y t − b 0 − b1t )(− t ) = 0 b 0 x t + b1 t = y t t
2
b1 t =1 t =1 t =1 t =1 Δb1 T ty t − t y t
1
b = =
Δ T t 2 − ( t )
2
6
T t 2 − ( t ) 2 = T 2σ t2 0
OBS: In relatiile de mai sus s-a tinut cont de faptul ca varianta lui t este egala cu
diferenta dintre suma patratelor si patratul sumei:
E(t 2
) - E (t) =
2 t 2
−(
t
) 2
= σ t2
T T
Indicatori ai acuratetei unui model econometric
7
EViews Output
Dependent Variable: CONS
Method: Least Squares
Date: 10/07/16 Time: 20:20
Sample: 1959 2000
Included observations: 42 (n)
T − k t =1
( y t − ˆ
y t ) 2
T − k t =1
et
MSR
R = 1−
2
T
= 1− T
= 1−
1 1
t t
MST
( y − y ) 2
( y − y ) 2
T − 1 t =1 T − 1 t =1
unde - k - numărul parametrilor modelului pe baza căruia s-a produs estimarea
- T - numărul observațiilor.
10 S.E. of regression (S.E.R.)
et
2
SER = t =1
T−k
1 T
Mean dependent var. ( y ): y = yi
T i =1
i
(y − y ) 2
(e − e
2
t t −1 )
DW = i =1
T
e
2
t
i =1
Regulă generală pentru valori ale lui DW situate în jurul valorii de 2 putem afirma
că nu există autocorelație iar pentru valori cuprinse în intervalul, [1,7; 2.3] putem
spune că avem autocorelații pozitive.
Sfat practic: pentru valori sub 1,7 și peste 2,3 recomandam consultarea valorilor
critice ale statisticii DW.
15 Observatie cu privire la utilitatea statisticii DW
In cazul analizei seriilor de timp exista frecvent situatii in care seria este
corelata de ordin superior lui unu fapt pentru care statistica Durbin Watson si
autocorelatia de ordin I sunt insuficiente.
In locul acestora vom utiliza functia partiala de autocorelatie (partial
autocorrelatin function PACF) si graficul specific acesteia, denumit
corelograma PACF.
Acest subiect va fi tratat mai detaliat atunci cand vom prezenta modele din familia ARMA.
16 Criteriile informationale (AIC, SC, HQC)
Scrie si forma ln cf. Montgomery!!!
T
2k i
e 2
k i
e 2
22
23
Curs 05
2021-2022
C03-C06: Modelarea, ajustarea și prognoza seriilor de
2
timp formate din trend determinist și componentă aleatoare
Modelarea trendului determinist (TD) (C03)
Estimarea si testarea parametrilor trendului determinist
Indicatori ai acuratetii unui model
Ruptura de trend (C04)
Teste specifice indetificarii rupturilor de trend
Modelarea trendului determinist cu ruptura de trend: modelarea individuala, modelarea
agregata cu variabile dummy
Valori atipice pentru serii de timp (C05)
Identificarea valorilor atipice intr-o serie de timp
Modelarea seriilor cu valori atipice: inlaturarea/inlocuirea valorilor atipice intr-o serie de
timp, modelarea seriei cu valori atipice cu ajutorul variabilelor dummy
Ajustarea exponentiala unei serii de timp cu trend determinist: ajustarea exponentiala
simpla, ajustarea exponentiala dubla, ajustarea exponentiala Holt (C06)
3 Identificarea valorilor atipice intr-o serie de timp
Existenta valorilor atipice intr-o serie de timp poate avea cauze multiple
care de cele mai multe ori tin de conjunctura.
Valorile atipice intr-o serie de timp pot afecta calitatea procesului de
modelare.
Problema valorilor atipice intr-o serie de timp accepta diverse abordari.
Indiferent de autori demersul pe care trebuie sa-l facem cu privire la
valorile atipice/ outlieri intr-o serie de timp este urmtorul:
1.Identificarea valorilor atipice si a cauzalitatii/ contextul producerii
acestora
2.Tratamentul seriei cu privire la valorile atipice – modelarea seriei care
contine outlieri.
4 Identificarea valorilor atipice intr-o serie de timp
In literatura de specialitate putem intalni urmatoarele abordari:
- Lipsa de interventie asupra seriei
- Inlocuirea valorilor atipice cu o valoare mai aproape de specificul
seriei: media mobila, valoarea teoretica generata de trendul seriei,
valori aflate la limita dintre extrem si outlier s.a.( vezi exemplul in Excel:
“S05_2021…”)
Indiferent de strategia aleasa este utila identificarea valorillor atipice
si determinarea factorilor care au dus la aparitia acestora care sa ne
permita identificarea unui pattern care odata reprodus sa poata sa ne
permita anticiparea/ previzionarea comportamentului seriei.
Prin urmare ne vom concentra pe cateva modalitati simple de
identificare a outlierilor unei serii de timp.
5 Identificarea valorilor atipice intr-o serie de timp
Una dintre modalitatile cele mai simple de identificare a outlier-ilor este analiza
distributiei erorilor de modelare.
1.Analiza grafica a distributiei erorilor de modelare prin diagrama Box-Plot. Acest
grafic reprezinta prin puncte externe/extreme valorile care pot fi considerate
atipice pentru serie. RESID
-2,000
6
Daca luam in considerare faptul ca in urma utilizarii metodei celor mai mici
patrate suma erorilor de modelare este nula si implicit media acestora, atunci
se considera valori atipice acele valori corespunzatoare unei erori de
modelare care nu sunt cuprinse in intervalul [−2 sε ;2 sε ] respectiv [−2,5sε ;2,5sε ].
2. Exista si o serie de teste inferentiale care pot duce la identificarea valorilor
atipice cum ar fi:
- Testul Dixon, utilizat pentru serii cu volum mai mic de 25 de inregistrari
- Testul Grebbs, utilizat pentru serii cu un volum depasind 20 de inregistrari
Ipotezele testate de cele doua teste sunt:
H0: εt nu este valoare atipica/ outlier
H1: εt este valoare atipica/ outlier
7
e (1) − e (3)
D calc = (1)t t
(T -1)
ptr. T = 14 ,25
et − et
Valorile calculate vor fi comparate cu valorile teoretice Dth=D1-α, T din
tabele speciale.
Criteriu de decizie Dcalc≤ D1-α, T ->AH0 si Dcalc> D1-α, T ->RH0
8
Testul Grubbs
max | e extr. −e|
Calculul statisticii test g calc = t
daca estimarea modelului de
se
face prin metoda celor mai mici patrate atunci media erorilor este zero si
relatia devine
| e extr. |.
g calc = t
se
Valorile calculate vor fi comparate cu valorile teoretice gth=g1-α, T din
tabele speciale.
2022-2023
2 Ajustarea unei serii de timp – definitie, avantaje
C01-C02
Ajustarea trendului prin medie mobilă
Pocesul de ajustare sau netezire a unei tendințe se poate face mecanic cu
ajutorul mediilor mobile.
Principiul de bază al ajustării este următorul, termenii seriei sunt înlocuiți/ ajustați
prin mediile mobile calculate pe baza termenilor învecinați acestora. Numărul
termenilor incluși în calculul mediei mobile reprezintă ordinul mediei.
Clasificarea mediilor mobile poate fi făcută în funcție de două criterii:
C.1: poziția pe care o ocupă termenul înlocuit față de secvența de termeni utilizați
în calculul mediei mobile. Astfel vom identifica:
- mediile mobile balansate, formate din termeni care preced și succed
termenul înlocuit grupați simetric în jurul valorii dezlocuite. Acestea sunt de
obicei utilizate în desezonalizare și netezirea trendurilor. Nu se pot realiza
prognoze pe baza lor.
- mediile mobile nebalansate, formate numai din termenii care preced
termenul dezlocuit. Acestea sunt de obicei utilizate în ajustarea exponențială.
Se pot realiza prognoze pe baza lor.
Ajustarea trendului prin medie mobilă
C2(face referire numai la mediile balansate): poziția pe care o ocupă termenul
dezlocuit față de termenul central al secvenței pe baza căreia se calculează
media mobilă putem avea două tipuri de medii mobile balansate:
MM centrate în care termenul susbstituit ocupă poziția centrala in cadrul
seriei care a stat la baza calculării MM – este specifciă mediilor mobile
balansate de ordin impar (2k+1);
MM necentrate termenul susbstituit nu ocupă poziția centrala in cadrul
seriei care a stat la baza calculării MM – este specifciă mediilor mobile
balansate de ordin par (2k).
Aceste medii mobile balansate necentrate necesită de obicei efectuarea
unei operații suplimentare numită centrare a mediilor mobile în urma căreia
se face media aritmetica a două medii mobile succesive de ordin 2k,
k=1,...T/2.
Media cronologică astfel obținută va fi o medie mobilă de ordin 2k+1 pentru
care primul și ultimul termen al seriei au o pondere de 1/2k iar restul
termenilor au o pondere de 1/k. (EXEMPLU tabla)
Exemplu: Ajustarea prin media mobila de ordin 4
Chart Title
14
12
10
0
1 2 3 4 5 6 7 8 9 10 11 12
yt MM(2x4)
12
10
0
1 2 3 4 5 6 7 8 9 10 11 12
yt MM(3)
i =0
Valoarea ajustata la momentul t se calculeaza ca o medie ponderata
pentru care ponderile scad exponential. Pentru ca media sa fie
ponderata trebuie ca suma ponderilor sa fie 1 conditie indeplinita la
t
t −1
(1 - α) −1
limita: α ∑ (1 − α) i = 1 <=> α[1 + (1 - α) + (1 - α) 2 + ... + (1 - α) t -1 ] = α =
i =0 (1 - α) - 1
(1 - α) t − 1
=α = 1 − (1 - α) t − > 1 pentru 0 < α ≤ 1 si t - > ∞
-α
Despre prognoza seriei pe un pas si pe un orizont de prognoza k
t −1
St = α ∑ (1 − α ) yt −i , t=1,T (*)
i
i =0
Cf. relatiei (*) previziunile seriei sunt constante pentru orice orizont de
prognoza k>1, FT(k) =ST+k = ST.
Elemente necesare initierii SES
i =0 i =0
Prognoza pe k perioade de timp pentru ajustarea exponentiala dubla
este calculata dupa formula:
αk αk α
FT + k = (2 + ) ST − (1 + ) DT = (2 ST − DT + ( ST − DT )k )
1−α 1−α 1−α
∑| e | t
MAD (Mean absolute error/ deviation ) MAE = t =1
T
T
∑ t
( e ) 2
C08-C09
2016-2017
Structura cursului
2
ANALIZA SERIILOR DE TIMP
C01-C02: Noțiuni, concepte definiții elementare în analiza seriilor de timp
C03-C06: Modelarea, ajustarea și prognoza seriilor de timp formate din
trend determinist și componentă aleatoare
C07-C08: Modelarea, ajustarea și prognoza seriilor de timp formate din
trend determinist, componentă sezonieră și componentă aleatoare
C09-C10: Modelarea și prognoza seriilor de timp nestaționare în medie
(omogene) fără componentă sezonieră. Modelele AR, MA, ARMA
C11: Procese stohastice omogene cu trend stohastic – procese cu radacina
unitate
C12: Modelarea și prognoza seriilor de timp cu trend stohastic. Modelele:
ARIMA
C01-C02
DESEZONALIZAREA PRIN METODA MEDIILOR MOBILE
Modelarea unei serii de timp compusa din trend, componenta sezoniera si
componenta aleatoare se face pelcand de la izolarea/ filtrarea fiecarei
componente in parte urmata de modelarea ulterioara a acestora.
Toate metodele utilizate in analiza unei ST cu componenta trend si componenta
sezoniera determinista au la baza ajustarea prin medii mobile.
Metodele care izoleaza componentele unei serii de timp poarta denumirea de
metode de desezonalizare.
In practica cele mai des utilizate metode de desonalizare sunt: Metoda mediilor
mobile, Census X11, Census X12, Census X13, metoda Tramo-Seats
In familia metodelor de desezonalizare metoda mediilor mobile este metoda
elementara, celelalte metode reprezentand variante mai elaborate ale acesteia.
Avand in vedere usurinta aplicarii metodei mediilor mobile si faptul ca a stat la
baza elaborarii metodelor mai complexe o recomanda ca instrument didactic si
aceasta in ciuda faptului ca rezultatele obtinute sunt mai slabe decat rezultatele
furnizate de celelalte metode.
Metoda mediilor mobile (3M)
O serie de timp poate fi privită ca rezultatul combinării unui set de patru
componente, care prezintă caracteristici specifice:
Componenta trend (Ti)
Componenta ciclu (Ci)
Componenta Sezonalitate/ Sezonieră (Si)
Componenta Aleatoare/ Neregulata (Ai)
NB: Componentele trend si ciclu va fi tratată ca o singură componentă
purtând denumirea de componenta trend-ciclu sau componeta extra-
sezoniera, notată în continuare cu Dt.
Metoda medilor mobile porneste de la identificarea legii de compunere a
componentelor in seria originala.
3M se aplica diferit pentru seriile in care componentele sunt compuse aditiv
fata de seriile in care componentele sunt compuse multiplicativ.
Modalităti de compunere a componentelor unei serii de timp
y y t t
1 1
t
+ t +1
yt + yt +1 + ..... + yt + p −1 + yt + p
p p
MM t (2 p) = = 2 2 ⎯substituie
⎯⎯⎯ ⎯⎯→ y p ,t= 1, T
termenul
2 p t+
2
Dacă p - impar atunci componenta trend aflată în mijlocul termenilor care întră în componenţa mediilor mobile va fi
substituită cu o medie mobilă simplă2 de tipul:
t + p −1
y t
MM t ( p ) = t
⎯substituie
⎯⎯⎯ ⎯⎯→ y
termenul
p −1 ,t= 1, T
p t+
2
2. Înlăturarea influenţei componentei trend ajustate cu ajutorul mediilor mobile (detrendizarea seriei de timp).
yt –MMt= Ŝ t
3. Calcularea coeficienţilor sezonieri ( Ŝ j )
Notam prin q(q=[T/p] și i=1,q) ciclurile sezoniere şi fiecare ciclu sezonier este alcătuit din câte p subperioade ale
ciclului sezonier (j=1,p).
La nivelul fiecărui ciclu sezonier obţinem coeficienţi sezonieri, Ŝ j , j= 1, p .
1 q
Sˆ j = Sˆij
q i =1
Prin Ŝ ij am notat valorile coeficienţilor sezonieri Ŝ t exprimate cu ajutorul ciclului i şi la subperioadei j.
1
Mediile mobile centrate de ordinul p sunt medii mobile de tipul 2xp.MM(2xp)
2
Mediile mobile simple de ordinul p sunt notate MM(p).
3
Corectarea coeficienţilor/ indicilor sezonieri trebuie făcută ţinând cont de ipotezele de lucru:pentru o serie de timp compusă aditiv, media aritmetică a
coeficienţilor de sezonalitate trebuie să fie zero, iar pentru o serie de timp compusă multiplicativ aceasta trebuie să fie egală cu unitatea.
1
7. Ajustarea componentei trend-ciclu pe baza seriei ajustate sezonier4
Ajustarea componentei trend-ciclu se realizează utilizând termenii seriei ajustate sezonier (SAS). Termenii serie se
ajusteaza dupa o medie mobila de ordin 5 cu ponderi fixate: 1/9; 2/9; 3/9; 2/9;1/9
^ ~
yt −2 + 2 ~
yt −1 + 3 ~
yt + 2 ~
yt +1 + ~
yt +2
TC t = MM t( SAS ) (5) = −~
yt , t = 3, n − 3
9
Pentru cele două valori care se află la începutul şi la sfârşitul seriei se utilizează următoarele formule de calcul:
^ ~
y1 + ~
y2 + ~
y3 y + yn −1 + yn
TC2 = MM 2( SAS ) = −~ ̂ 𝑛−1 = MM n( SAS
y2 𝑇𝐶 −1
)
= n−2 − yn −1
3 3
şi
^ MM 2( SAS ) − MM 3( SAS ) (5) ^ MM n( −SAS )
− MM n( −SAS )
2 (5)
TC 1 = MM1( SAS ) = MM 2( SAS ) + − ~y1 , TC n = MM n( SAS ) = MM n( −SAS
1
)
+ 1
− ~yn
2 2
4
Ajustarea componentei trend ciclu, în cazul în care forma acesteia o permite poate fi realizată şi cu ajutorul metodelor analitice.
2
Etapele descompunerii unei a serii de timp MULTIPLICATIVE
Reprezentarea teoretică a modelului: yt =TCt*St*At
1. Ajustarea tendinţei seriei prin metoda mediilor mobile
Valorile yt vor fi ajustate cu ajutorul mediilor mobile de ordinul p.Unde p reprezinta numarul perioadelor existente
intr-un ciclu sezonier. Ex: p=12 pentru serii lunare, p=4 pentru serii trimestriale ș.a.
Dacă p - par atunci este necesară şi o centrare a mediilor mobile5 rezultând o medie mobilă cronologică:
t + p −1 t+ p
yt y t
1 1
t
+ t +1
yt + yt +1 + ..... + yt + p −1 + yt + p
p p
MM t (2 p) = = 2 2 ⎯substituie
⎯⎯⎯ ⎯⎯→ y p ,t= 1, T
termenul
2 p t+
2
Dacă p - impar atunci componenta trend aflată în mijlocul termenilor care intră în componenţa mediilor mobile va fi
substituită cu o medie mobilă simplă6 de tipul:
t + p −1
y t
MM t ( p ) = t
⎯substituie
⎯⎯⎯ ⎯⎯→ y
termenul
p −1 ,t=
1, T
p t+
2
2. Înlăturarea influenţei componentei trend ajustate cu ajutorul mediilor mobile (detrendizarea seriei de timp)
yt/( MM t ) = Ŝ t
3. Calcularea indicilor sezonieri ( Ŝ j )
Notam prin q(q=[T/p] și i=1,q) ciclurile sezoniere şi fiecare ciclu sezonier este alcătuit din câte p subperioade ale
ciclului sezonier (j=1,p).
La nivelul fiecărui ciclu obţinem indici sezonieri, Ŝ j , j= 1, p .
1 q
Ŝ j = Ŝij
q i =1
Prin Ŝ ij am notat valorile indicilor sezonieri Ŝ t exprimati cu ajutorul ciclului i şi alsubperioadei j.
5
Mediile mobile centrate de ordinul p sunt medii mobile de tipul 2xp.MM(2xp)
6
Mediile mobile simple de ordinul p sunt medii mobile de tipul 1xp, notate MM(1xp).
7
Corectarea coeficienţilor/ indicilor sezonieri trebuie făcută ţinând cont de ipotezele de lucru:pentru o serie de timp compusă aditiv, media aritmetică a
coeficienţilor de sezonalitate trebuie să fie zero, iar pentru o serie de timp compusă multiplicativ aceasta trebuie să fie egală cu unitatea.
8
Ajustarea componentei trend ciclu, în cazul în care forma acesteia o permite poate fi realizată şi cu ajutorul metodelor analitice.
9
De aici şi denumirea de medie mobilă 3x3.
3
^ ~
y1 + ~
y2 + ~
y3 y + yn −1 + yn
TC 2 = MM 2( SAS ) = −~ ̂ 𝑛−1 = MM n( SAS
y2 ,𝑇𝐶 −1
)
= n−2 − yn −1
3 3
şi
^ MM 2( SAS ) − MM 3( SAS ) (5) ^
−1 − MM n − 2 (5)
MM n( SAS ) ( SAS )
TC1 = MM1( SAS ) = MM 2( SAS ) + − ~y1 TC n = MM n( SAS ) = MM n( SAS
−1
)
+ − ~yn
2 , 2
8. Estimarea componentei aleatoare
Ât = ~
yt / MM t( SAS )
4
STUCTURA PROIECT
Yorig = St +/*SASt -> SASt= f(t) + errt ->errt=ARIMA(p,d,q)+ errt*->Alte tipuri de modele (ARCH,
GARCH s.a.)
5
Analiza seriilor de timp
Testarea ipotezelor cu privire la eroarea de modelare
C09-C11
Statistica si previziune economica
Anul III
2022-2023
TEMATICA
1. Testarea ipotezelor privind eroarea de modelare specifice Eviews
1.Media erorilor de modelare este zero
2.Normalitate
3.Independenta
4.Homoscedasticitate
5. Heteroscedasticitatea conditionata
2. . Alte teste specifice ST in Eviews
1.Testarea radacinii unitate
Testarea mediei erorilor de modelare (H0: με=0) in Eviews
Media erorilor de modelare este zero->deschideti fisierul ‘resid’ care contine reziduul
ultimului model rulat in Eviews, pentru aceasta trebuie sa va asigurati ca ati rulat ultimul
model pentru care doriti sa testati reziduul!!!
View-> Descriptive Statistics&Tests->Simple Hypothesis Tests
1.Testarea Normalitatii, Independentei, Homoscedasticitatii neconditionata &
conditionata in Eviews
Testarea Normalitatii erorilor
Testul Jarque- Berra (H0: ε~N(με , σε 2))
Estimarea coeficeintilor de asimetrie Fisher (γ1):
T
i − 3
(
T
)
m3 m3
1 : Sk = i =1
= = 3
T
i − 2 3 s
m2
( )
i =1 T
40 Mean 6.85e-12
Median -5.010046
Maximum 2463.727
30 Minimum -1630.691
Std. Dev. 625.6910
20 Skewness 0.327932
Kurtosis 3.958518
10 Jarque-Bera 15.28770
Probability 0.000479
0
-1500 -1000 -500 0 500 1000 1500 2000 2500
Testarea independentei erorilor
Erorile unei serii de timp sunt independente daca intre oricare doua valori εt si εt+k siutate la
o distanta de k perioade una de cealalta (decalaj) nu exista o legatura semnificativa care sa
depinda de t sau k.
Testarea independentei eroirilor de modelare se face cu ajutorul corelogramelor si a
testelor specifice acestora:
- Testul Ljung-Box sau Statistica Q utilizat pentru testarea coeficientilor de autocorelatie
- Breusch-Godfrey LM test
- Testul de banda ~ ±2/(√T) utilizat pentru testarea coeficientilor partiali de autocorelatie.
H0: nu exista autocorelatii in erorile de modelare mai mari decat ordinul specificat (p)
εt= φ1 εt-1+ φ2εt-2+ φ3εt-3+ ….+ φpεt-p+ ut, cu ut IIND de medie zero.
Testul BREUSCH-GODFREY (BG) sau testul corelatiei seriale LM
Pp. ca urmatorul model liniar a fost estimat prin m. c.m.m.p.:
yt= β1 +β2xt+ β3zt+εt
Pentru eroarea de modelare εt se va construi modelul de regresie auxiliar:
εt= φ1 εt-1+ φ2εt-2+ ….+ φpεt-p+ β’1 +β’2 xt+ β’3zt+ ut
In Eviews vor fi calculate 2 statistici:
- Statistica nR2, prin care se testeaza ipoteza H0, care urmeaza o distributie χ2(p):
BG(p)=nR2~χ2(p) unde n=T nr. obs./ per. de timp observate->volumul esantionului observat.
Statistica F pentru testarea simultana a parametrilor modelului: φ1=φ2= ….=φp ne va conduce la
o decizie incerta, deoarece nu se cunoaste distributia lui F in conditiile indeplinirii H0.
Aceasta decizie are scopul de a oferi termen de comparatie cu statistica BG.
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 198.8789 Prob. F(4,52) 0
Obs*R-squared 56.31865 Prob. Chi-Square(4) 0
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 11/26/13 Time: 10:48
Sample: 1993M01 1997M12
Included observations: 60
Eviews –ul raporteaza si testul t pentru fiecare φi , i =1,p insa acesta nu este
semnificativ deoarece, la fel ca in cazul lui F, distributia statisticii t nu este cunoscuta.
Prin urmare probabilitatile asociate acestui test vor avea si ele mai mult un caracter
orientativ.
Testul Q* a lui Box-Pierce si Testul Q a lui Ljung-Box
Functia de autocorelatie (FAC) cov( t , t -k )
k = ( t , t -k ) = , k = 1, p
V ( t ) V ( t -k )
( t − M ( t ))( t −i − M ( t −k ))
k = t =1
, k = 1, p
T
si γ0=V(εt)/t=σ2.
In concluzie ρ(εt ,εt-k)= γk/ γ0.
FAC(k) este o functie para: ρk= ρ-k.
Notam cu r (fac) valoarea estimata a parametrului ρ(FAC) si aceasta reprezinta realizarea
functiei de autocorelatie FAC. Pentru un proces de tip zgomot alb sau IIND de medie zero ρk=0
pentru orice k≠0 si ρk=1 pentru k=0.
Statistica Q* a lui Box-Pierce, respectiv varianta sa modificata, statistica Ljung-
Box, urmeaza asimptotic o distributie χ2(p) in ipoteza ca erorile IIND pentru cazul in
care testam autocorelatia de ordin p, ρp.
Testul Q nu testeaza individual fiecare p
coeficient
H
de autocorelatie in parte, ci suma
= T ri 2 ~ 2 ( p) pentru un fixat
0
acestora pana la ordinul p: Qcalculat
*
i =1
Acest test are putere mica in detectarea autocorelatiilor de aceea in practica
este mult mai indicat sa se utilizeze pentru acest test un prag de semnificatie de
10% in loc de 5%.
Acest test nu este calculat in Eviews ci varianta sa corectata, Testul Q a lui Ljung-
Box: p
r2 H
Qcalculat = T (T + 2)
0
i
~ 2 ( p) pentru un fixat
i =1 T −i
Datorita faptului ca pentru acest test trebuie sa solicitam explicit ordinul
autocorleatiilor testate este posibil sa omitem autocorelatiile seriale de rang mare.
OBS: In Eviews acest test este posibil de aplicat in doua moduri diferite:
1. Din fereastra ‘Equation’->’View’->’Residual Tests’-> ‘Correlogram Q-Statistics’
2. Din fisierul RESID->’View’-> ‘Corelogram’.
Pentru cazul in care in generarea erorii a fost utilizat un model liniar univariat nu exita
diferente intre cele doua rezultate insa in cazul contrar rezultatele vor fi diferite. Pentru a
preintampina aceasta eroare este recomandata accesarea testului Q doar din fereastra
‘Equation’!
Paper sheet
Testul Durbin-Watson
Testul Durbin Watson pentru seriile de timp este un test destul de restrictiv,
atat sub aspectul ordinului autocorelatiei testate cat si sub aspectul restrictiilor
impuse modelului pentru care se poate aplica: modelul trebuie sa aiba constatnta
inclusa si variabilele explicative trebuie sa fie exogene.
Nota: Numim variabile exogene acele variabile care influenteaza modelul fara
insa a fi afectate de acesta.
Testarea Homoscedasticitatii
Testarea homoscedasticitatii: H0: σ εt2=ct. oricare ar fi t=1,T.
1.Breush-Pagan-Godfrey
2.Harvey
3.Glesjer
4. White
H0: Nu exista componente ARCH de ordin mai mare decat ordinul precizat (q)
Heteroskedasticity Test: ARCH
F-statistic 19.723 Prob. F(1,269) 0
Obs*R-squared 18.512 Prob. Chi-Square(1) 0
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 12/16/16 Time: 10:51
Sample (adjusted): 1992M02 2014M08
Included observations: 271 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 288855 45764.03 6.312 0
RESID^2(-1) 0.2614 0.058862 4.441 0
R-squared 0.0683 Mean dependent var 391176.8
Adjusted R-squared 0.0648 S.D. dependent var 673122.2
S.E. of regression 650931 Akaike info criterion 29.61755
Sum squared resid ‘1.14E+14 Schwarz criterion 29.64413
Log likelihood -4011.2 Hannan-Quinn criter. 29.62822
F-statistic 19.723 Durbin-Watson stat 2.023609
Prob(F-statistic) 1E-05
Testarea heteroscedaticitatii- CORELOGRAMA Patratului reziduurilor
Constanta impinge valorile lui Yt intr-o singura directie crescatoare (+) sau
descrescatoare (-).
Procesul este nestationar si prezinta un trend stohastic.
Facand diferenta de ordinul I modelul RW cat si modelul RWD devine stationar:
(Yt-Yt-1)=εt(1-L)Yt =εt ΔYt=εt, εt~NID(0,σε2)
Acest tip de proces se numeste proces stationar prin diferenta (eng. Difference-
Stationary Process->DSP) sau proces radacina unitate (eng. Unit Root Process).
Fie modelul AR(1) definit prin relatia:
Yt=β1Yt-1+εt (Yt-β1Yt-1)=εt(1-β1L)Yt=εt, εt~NID(0,σε2) si |β1|<1
1
(1 − 1 L)Yt = t Yt = t Yt = t + 1 t −1 + 12 t −2 + 13 t −3 + ...
1 − 1 L
M(Yt) =M(εt )+M(εt-1 )+M(εt-2 )+…= 0 + 0 + 0 +….= 0
𝝈 𝟐
V(Yt) =V(εt )(1+β21 + β41 + β61 +…)= 𝜺 -> ct.
𝟏−𝜷
STOP
Pentru modelul RW , RWD si DSP vom prezenta modelul cu ajutorul decalajului
polinomial:
(1-L)Yt=εt pentru modelel RW si RWD
(1-β1L)Yt=εt, pentru modelul AR(1)
In RW polinomul decalajelor admite solutie doar pe L=1 si pentru modelul AR(1)
admite solutie L=1/β1. Cu alte cuvinte polinomul modelelor nestationare admite o
radacina unitate iar polinomul modelelor stationare admite o radacina supraunitara.
Ipoteza de nestationaritate se testeaza in termenii existentei radacinii unitate:
H0: β1=1 si
H1: | β1|<1 sau varianta sa simplificata 0<β1<1.
DIFERENTA - INTEGRARE
Spunem despre o ST (Yt) ca este integrata de ordinul intai dacaYt nestationara iar ΔYt
este stationara si scriem aceasta : Yt~I(1) (1-L)Yt=εt ΔYt~I(0)
Spunem despre o ST (Yt) ca este integrata de ordinul doi dacaYt nestationara iar Δ2Yt
stationara si scriem aceasta : Yt~I(2) ΔYt~I(1) Δ2Yt~I(0) (1-L)2Yt= εt
Testul Dickey Fuller (DF)
Testul DF este aplicabil modelelor de tip AR si testeaza prezenta radacinii unitate
pentru trei tipuri de modele de procese stohastice:
AR(1) : Yt=β1Yt-1+εt
AR(1) +ct.: Yt=β0+β1Yt-1+εt
AR(1) +ct.+trend det.:Yt=α0+β1Yt-1+α1t+εt
In testarea radacinii parametru de interes maxim este reprezentat de β1 iar valoarea
critica pentru acest parametru in cazul testarii este reprezentata de radacina unitate
(unit root) 1.
In testarea radacinii unitate modelele nu sunt utilizate in forma de mai sus ci intr-o
forma transformata pentru a permite utilizarea testului t.
Modelele transformate se obtin prin scaderea luiYt-1 din ambii termeni ai modelului:
1. AR(1)’ : ΔYt=(1-β1)Yt-1+εt
2. AR(1) ‘+ct.: Δ Yt=β0+(1-β1)Yt-1+εt
3. AR(1) ‘+ct.+trend det.: ΔYt= β 0+(1-β1)Yt-1+λt+εt
notam (1-β1)=γ
Pentru modelele modificate ipoteza testarii radacinii unitate enuntata singular este:
H0: γ=0 cu alternativa H1: γ<0
Statistica utilizata este t =
~ DF-t sub ip. AH 0
s
Testul DF Extins
(Augmented Dikey Fuller->ADF)
Deoarece testul DF este specific doar pentru modele AR(1) pentru cele de ordin mai
mare este incalcata ipoteza de NID pentru eroarea de modelare. In practica este
preferata o varianta extinsa a testului DF denumita testul ADF care permite includerea a p
termeni diferenta cu decalaj.
Pornind de la un model AR(p) de forma:
Yt= β0+β1Yt-1+β2Yt-2+ β3Yt-3+….+ βpYt-p +εt prin adaugari si scaderi repetate se
ajunge la un model de forma:
p −1
1. AR(p) :Yt = Yt −1 + i Yt −i + i unde parametrii αi reprezinta combinatii
i =1
liniare ale parametrilor βi din modelul AR(p) iar γ=1-β1.
Aceleasi transformari se pot efectua si pentru modelele cu constanta si modelele cu
constanta si trend:
p −1
p −1
DISCUTIE
ANALIZA SERIILOR DE TIMP
Curs Statistica și Previziune Economică anul III
Curs 12-13
2022-2023
Modele AR. Identificarea modelului AR(p): comportamentul pacf si acf.
Modele MA. Identificarea modelului MA(q): comportamentul acf si pacf.
Modele ARMA. Identificarea modelului ARMA(p,q): cu ajutorul pacf si
acf.
Modele ARIMA. Identificarea modelului ARIMA(p,d,q): cu ajutorul pacf ,
acf si ADF
Metodologia Box & Jenkins
Modele AR
Modelul AR(p) fara ct.
Yt =φ1 Yt-1+ φ2Yt-2+ φ3Yt-3+…+ φpYt-p+εt φ(L)Yt=εt
unde:
- φ(L)=1-φ1L-φ2L2-φ3L3-…-φpLp
OBS: 1. Yt este un proces stationar daca pentru ecuatia caracteristica, φ(L)=0,
toate cele p solutii sunt in afara cercului unitate (|Li|>1, i=1,p).
2. Deoarece φ(L)=0, este un polinom finit el este inversabil, iar procesul
AR(p) este echivalent cu un proces infinit de tip MA(∞): Yt = φ(L)-1 εt . Pentu ca
acesta sa fie convergent trebuie sa aiba solutiile in afara cercului unitate (|L|>1)
- εt i.i.N.d. de medie zero => M(εt)= 0 si V(εt )=σε – ct.
OBS: Pentru modelul AR(p) cu constanta:
Yt =φ0+φ1Yt-1+φ2Yt-2+….+φpYt-p+εt => M(Yt)=φ0/(1-φ1-…-φp)
Pp. ca M(Yt)=0 in caz contrar efectuam transformarea
Yt-M(Yt)=Yt* si in continuare vom lucra cu variabila transformata M(Yt*)=0.
Identificarea AR(p): comportamentul PACF si ACF
Functia pacf pentru un proces AR(p) ->coeficientii pacf sunt egali cu zero (nu
difera semnificativ de zero), pentru k>p. Valorile coeficientilor pacf sunt
reprezentate de coeficientii, φi, i=1,p, ai modelului AR(p).
Functia pacf poate fi utilizata pentru identificarea ordinului unui proces de
tip AR.
unde:
φ(L)=1-φ1L-φ2L2-φ3L3-…-φpLp
θ(L) =1-θ1L-θ2L2-θ3L3-…-θqLq
εt i.i.N.d. de medie zero => M(εt)= 0 si V(εt )=σε – ct.
Identificarea modelului ARMA: comportamentul ACF si PACF
2. Ordinul integrarii modelului ARIMA este fixat pe baza unui test radacina
unitate specific.
Metodologia BOX & JENKINS
1. Identificarea clasei de modele corespunzatoare ST analizate
(AR(p), MA(q), ARMA(p,q), ARIMA(p,d,q)):
A. Analiza stationaritatii ST (testarea radacinii unitate):
-identificarea existentei unui trend determnist
-identificarea existentei trendului sohastic =>ordinul de integrare (d)
B. Identificarea ordinului componentelor AR si MA:
-analiza pacf -> ordinul p al componentei AR;
-analiza acf -> ordinul q al componentei MA.
Vezi
TURTUREAN C. I., Introducere in analiza seriilor de timp cu SPSS
- Ghid Aplicativ, 2008, pp.124-127
Modele ARCH-GARCH
GARCH = Generalized Autoregressive Conditional Heteroskedasticity
Modele ARCH specifice erorilor de modelare au fost propuse de
ENGLE (1982) si sunt aplicate cu succes pentru modelarea volatilitatii
pietelor financiare.
Modelul asa cum a fost prezentat de Engle este descris de relatia:
p
unde 2 = 0 + 1 t2−1 + 2 t2− 2 + ... + p t2− p = 0 + i t2−i
t
i =1